MRIdle - von der Datenerfassung bis zur realen Intervention, um die Zahl der nicht wahrgenommenen Termine in der radiologischen Abteilung zu verringern
Wissensdatenbank Technologie Datenmanagement & Digitalisierung Mensch Arbeitsbelastung & Wohlbefinden C.2: Reduktion der Leerlaufzeiten von MRI-Systemen in Radiologieabteilungen durch den Einsatz von KI-basierter Terminplanungssoftware - MRIdleNicht wahrgenommene Termine im Gesundheitswesen führen zu verschwendeten Ressourcen und schlechten Patientenergebnissen. In dieser Studie werden unter Verwendung von Daten des Universitätsspitals Zürich Prognosemodelle entwickelt, um die Nichterscheinen-Rate zu prognostizieren und zu reduzieren, indem der Schwerpunkt auf die Datenqualität gelegt wird. Präzise Vorhersagen ermöglichen gezielte Interventionen, die die Termintreue verbessern und die Effizienz der Gesundheitsversorgung optimieren. Unsere Ergebnisse bieten praktische Lösungen, um die finanziellen und gesundheitlichen Auswirkungen von Terminversäumnissen zu verringern.
Problembeschreibung, Forschungsfrage und Relevanz
Nicht wahrgenommene Termine stellen eine ständige Herausforderung für das Gesundheitssystem dar.
Jeder verpasste Termin führt zu vergeblichen Bemühungen des Planungsteams, ungenutzten Geräten und nicht ausgelastetem medizinischen Personal. Diese Ineffizienz führt zu erheblichen finanziellen Kosten (schätzungsweise zwischen 1673 und 1965 US-Dollar pro nicht wahrgenommenem Termin) und zu schlechten gesundheitlichen Ergebnissen aufgrund verzögerter Diagnosen und Behandlungen. Frühere Untersuchungen haben gezeigt, dass die Nichterscheinen-Quoten zwischen 3 % und 31 % liegen können, was den Bedarf an effektiven Vorhersagemodellen zur Entschärfung dieses Problems verdeutlicht.
Unsere Forschung zielt darauf ab, die Frage zu beantworten: "Wie kann die Datenqualität genutzt werden, um die Nichterscheinen-Rate in klinischen Einrichtungen vorherzusagen und zu reduzieren? Indem wir uns auf die Datenqualität konzentrieren, wollen wir robuste Prognosemodelle entwickeln, die die Zahl der nicht wahrgenommenen Termine genau vorhersagen. Für die Studie werden Daten aus dem Radiologie-Informationssystem (RIS) und dem elektronischen Patientenakten-System (KISIM) des Universitätsspitals Zürich verwendet.
Relevanz: Der Umgang mit Nichterscheinen ist entscheidend für die Optimierung der Ressourcennutzung, die Verbesserung der Patientenversorgung und die Senkung der Gesundheitskosten. Durch die Entwicklung präziser Vorhersagemodelle können wir Risikopatienten identifizieren und gezielte Maßnahmen wie Erinnerungsanrufe durchführen, um eine bessere Einhaltung der Termine zu gewährleisten. Diese Forschungsarbeit trägt nicht nur zum akademischen Verständnis der prädiktiven Modellierung im Gesundheitswesen bei, sondern bietet auch praktische Lösungen zur Verbesserung der betrieblichen Effizienz in medizinischen Einrichtungen. Letztendlich kann eine bessere Vorhersage und ein besseres Management von nicht wahrgenommenen Terminen zu besseren Gesundheitsergebnissen führen, indem der rechtzeitige Zugang zu medizinischer Versorgung sichergestellt wird, wodurch die mit verspäteten Behandlungen verbundene Morbidität und Mortalität verringert wird.
Methoden und Vorgehen im Projekt
Wir sammelten und transformierten Daten aus dem Radiologie-Informationssystem (RIS) des Universitätsspitals Zürich und dem elektronischen Krankenakten-System (KISIM) mit detaillierten Patienteninformationen wie Alter, Geschlecht, Beruf, Familienstand und Entfernung zum Krankenhaus.
Wir haben drei maschinelle Lernmodelle verwendet: Logistische Regression, Random Forest und XGBoost. Wir teilten unseren Datensatz in einen Trainings- und einen Validierungssatz (80%-20%) auf und führten eine 5-fache Kreuzvalidierung des Trainingssatzes durch, um die besten Modellkonfigurationen auszuwählen. Die Modelle wurden auf dem Hold-Out-Validierungsset mit Hilfe von Standardmetriken und einer Top-10-Präzisionsmetrik bewertet, die die praktische Anwendung der Vorhersage der 10 wahrscheinlichsten No-Shows pro Woche widerspiegelt.
Ein zusätzlicher Validierungsschritt, der so genannte „Silent Live Test“ (SLT), beinhaltete die Verwendung der Modelle zur Vorhersage von Live-No-Shows, die dann mit den tatsächlichen Ergebnissen verglichen wurden. Auf diese Weise wurde die Robustheit der Modelle vor ihrem Einsatz sichergestellt.
Schließlich führten wir eine Interventionsstudie durch, bei der die Mitarbeiter der Terminplanung die 10 Patienten anriefen, bei denen die Wahrscheinlichkeit eines Nichterscheinens am größten war, und sie an ihre Termine erinnerten. Mit dieser Intervention sollte die Nichterscheinungsrate gesenkt und die Ressourcenauslastung in der radiologischen Abteilung optimiert werden.
Ergebnisse und Erkenntnisse
- Wir nutzten die RIS-Rohdaten zur Erstellung eines Datensatzes mit Terminen und dem Ergebnis, ob ein Termin wahrgenommen wurde oder nicht.
- Unsere Modelle ergaben eine Top-10-Genauigkeit mit einer deutlichen Verbesserung gegenüber dem Ausgangswert. Das bedeutet, dass theoretisch (d. h. mit einer gut durchgeführten Intervention) die Termine in dieser kleineren Gruppe gezielt ausgewählt werden könnten, um ein Nichterscheinen zu verhindern, was zu einer effizienteren Nutzung der MRT-Geräte und folglich zu einer besseren Patientenversorgung führen würde.
- Der Silent-Live-Test wurde durchgeführt und bestätigte unsere Genauigkeitsmetriken und half uns bei der Einrichtung der Infrastruktur und der Planung der realen Intervention
- Wir führten eine Interventionsstudie über einen Zeitraum von neun Monaten durch, von März bis Dezember 2023. Jeden Montag und Donnerstag erhielten die Mitarbeiter der radiologischen Abteilung eine Liste mit anstehenden Terminen, bei denen nach dem Modell ein hohes Risiko bestand, dass sie nicht wahrgenommen wurden. Während dieses Zeitraums wurde auch eine Kontrollgruppe erfasst - diese Patienten wurden nicht kontaktiert, aber das Ergebnis ihres Termins wurde zum Vergleich notiert. Die Krankenschwestern kontaktierten dann
- Die Krankenschwestern kontaktierten dann die Interventionspatienten telefonisch und erinnerten sie an ihre Termine. Die Ergebnisse dieser Intervention werden zu gegebener Zeit veröffentlicht.
Empfehlungen für die Praxis
- Anstehende Nichterscheinen können mit einer höheren Genauigkeit vorhergesagt werden als zufälliges Raten, so dass dies theoretisch genutzt werden könnte, um die Nichterscheinen-Rate auf der radiologischen Station zu reduzieren
- Aus den Interventionsergebnissen leiten wir derzeit Erkenntnisse ab, die zu konkreten Praxisempfehlungen führen werden
Zitierung des Beitrags
MRIdle – from data collection to real-live intervention, to reduce appointment no-shows at the radiology ward